读论文：Wave Physics as an Analog Recurrent Neural Network

论文：Wave Physics as an Analog Recurrent Neural Network"/>

读论文：Wave Physics as an Analog Recurrent Neural Network

作为一种模拟递归神经网络的波动物理学

1.摘要

模拟机器学习硬件平台（Analog machine learning hardware platforms）承诺会比数字平台更快、更节能。在声学和光学中发现的波动物理学（Wave physics）是为时变信号（time-varying signals）构建模拟处理器的天然候选。在这里，我们识别波动物理动力学和递归神经网络（recurrent neural networks）计算之间的映射（mapping）。这种映射表明，利用神经网络的标准训练技术，可以训练物理波动系统来学习瞬态数据（temporal data）中的复杂特征。作为一个示范，我们证明了一种**反向设计的（inverse-designed）非均匀介质可以对原始音频信号进行元音分类（**vowel classification），因为它们的波形在该介质中散射和传播，其性能可与递归神经网络的标准数字实现相媲美。这些发现为一种新型的模拟机器学习平台铺平了道路，这种平台能够在其固有领域快速高效地处理信息。

1.1：也就是说：这是一个新的专用硬件平台，以快速高效地执行机器学习模型。
1.2：可以使用神经网络的标准训练技术来训练物理波系统，以学习时间数据中的复杂特征
1.3：为了证明波动力学和循环神经网络之间的等效性，，研究人员确定了循环神经网络的功能及其与波动力学的关系，创立了一个最具希望的处理时间编码信息，即表明波动方程的动力学在概念上与循环神经网络等效

使用物理学来执行计算可能会激发出一个模拟机器学习设备的新平台，以便比其数字同类产品更自然、更有效地执行计算。

2.引言：

最近，机器学习在执行复杂信息处理任务方面取得了显著的成功，如计算机视觉[1]和机器翻译[2]，这些方面用传统方法处理是非常棘手的。然而，这些应用的计算需求呈指数级增长，这促使人们努力开发新的、专门的硬件平台，以快速、高效地执行机器学习模型。其中有神经形态的（neuromorphic）硬件平台[3][4][5]，其架构模仿了大脑的生物电路**（biological circuitry）。此外，使用**连续物理系统的自然演化来执行计算的模拟计算平台，也正在成为实现机器学习的一个重要方向[6][7][8][9][10]。

在本文中，我们确定了波基（wave-based）物理现象（如声学和光学）的动力学与递归神经网络（RNN）的计算之间的映射。RNN是最重要的机器学习模型之一，被广泛用于执行自然语言处理[11]和时间序列预测[12][13][14]等任务。我们证明了波基物理系统可以被训练成一个RNN，从而可以在其固有域内被动地处理信号和信息，而不需要进行模数转换（analog-to-digital conversion），这将大大提高速度并降低功耗。在这个框架中，不是实现故意将信号路由回输入的电路，而是在物理学本身的时间动力学中自然地发生递归关系，而信息处理的记忆（memory）和能力（capacity）是由波在空间中传播时提供的。

休息一下，明天再更，困死了